人工智能究竟造福了谁？这一基本问题在近年来AI浪潮中尤为突出，在麻省理工学院周三举办的会议上，演讲者和与会者共同探讨了AI影响的多个维度。
在会议的主题演讲中，记者Karen Hao呼吁改变AI发展轨迹，包括摆脱大规模数据使用、数据中心建设以及在"通用人工智能"名义下开发模型的做法。
"这种规模是不必要的，"已成为AI讨论领域重要声音的Hao说道。"你不需要这种规模的AI和计算来实现其益处。"她补充说："如果我们真的希望AI能够广泛造福社会，我们迫切需要摆脱这种做法。"
Hao曾在《华尔街日报》和《麻省理工科技评论》工作，著有2025年出版的《AI帝国》一书。她对AI行业增长进行了广泛报道。
在发言中，Hao概述了目前最大AI公司用于开发大语言模型的数据集的惊人规模。她还强调了这种规模扩张的一些代价，如超大规模数据中心的巨大能耗和排放，这些数据中心还消耗大量水资源。根据自己的报道，Hao还指出了全球零工经济员工为超大规模模型手动输入数据所付出的人力成本。
相比之下，Hao提出了AI的另一条发展路径，以获得诺贝尔奖的蛋白质结构识别工具AlphaFold为例。这代表了"小型、任务专用AI模型解决明确范围问题，充分利用AI计算优势"的概念。
她补充说："它在与手头问题相关的高度策划数据集上进行训练：蛋白质折叠和氨基酸序列。由于数据集小、模型小，不需要快速超级计算，但仍能释放巨大价值。"
在第二场主题演讲中，学者Paola Ricaurte强调了目的驱动AI方法的重要性，概述了评估AI实用性的若干概念要素。
"开发不能响应使用社区需求的技术是没有意义的，"Ricaurte说道。
她是墨西哥蒙特雷科技大学教授，哈佛大学伯克曼克莱因互联网与社会研究中心的教员合作者。Ricaurte还在全球AI伙伴关系、联合国教科文组织AI伦理无国界专家等专家委员会任职。
此次活动由MIT妇女与性别研究项目主办。该项目主任、人类学教授Manduhai Buyandelger致开幕词。
这场名为"性别、帝国与AI：研讨会和设计工作坊"的活动在MIT施瓦茨曼计算学院会议空间举行，超过300人参加了主题演讲。活动还包括讨论小组环节，以及涵盖六个不同主题领域的下午设计环节。
在演讲中，Hao批评了AI话语常常模糊不清的性质，认为这阻碍了对行业发展方向的深入思考。
"讨论AI的挑战之一是'人工智能'这一术语完全缺乏具体性，"Hao说。"这就像'交通'这个词。你可能指的是从自行车到火箭的任何东西。"因此，她说，"当我们谈论获取其好处时，实际上必须非常具体。我们谈论的是哪些AI技术，我们希望更多地使用哪些技术？"
在她看来，较小规模的工具——类比于自行车——在日常使用中更有用。作为另一个例子，Hao提到了气候变化AI项目，专注于帮助提高建筑能效、跟踪排放、优化供应链、预测极端天气等工具。
"这是我们应该努力构建的AI愿景，"Hao说道。
最后，Hao鼓励听众积极参与AI相关讨论和项目，表示技术轨迹尚未固定，公众干预很重要。
引用作家Rebecca Solnit的话，Hao向听众建议："希望建立在我们不知道会发生什么的前提上，在不确定性的广阔空间中，有行动的余地。"她还指出："你们每个人都在塑造技术发展中发挥着积极作用。"
Ricaurte同样鼓励与会者积极参与AI事务，指出当所有公民的紧迫日常需求得到满足时，技术将发挥最佳作用。
"我们有责任让希望成为可能，"Ricaurte说道。
Q&A
Q1：为什么说目前AI发展的大规模扩张路径是不必要的？
A：根据Karen Hao的观点，当前AI公司使用的巨大数据集规模并不是实现AI益处的必要条件。这种大规模扩张带来了巨大的能耗、排放和水资源消耗，还造成了全球零工经济员工的人力成本负担，而实际上不需要这种规模的计算就能实现AI的好处。
Q2：AlphaFold为什么被认为是AI发展的理想模式？
A：AlphaFold代表了"小型、任务专用AI模型"的概念，它专注解决蛋白质结构识别这一明确问题。它使用高度策划的专门数据集进行训练，数据集和模型都很小，不需要快速超级计算，但仍能释放巨大价值，这证明了精准应用比大规模扩张更有效。
Q3：如何让AI技术更好地造福社会？
A：需要从目的驱动的角度开发AI，确保技术能够响应使用社区的实际需求。应该专注于开发像气候变化AI项目那样的实用工具，帮助解决建筑能效、排放跟踪、供应链优化等具体问题，而不是盲目追求大规模通用人工智能。
